拥挤公共空间中基于上下文的异常运动行为检测
计算机视觉与模式识别
2013-09-26 v1
摘要
本文旨在整体运动层面分析拥挤公共场所中的行为。我们的目标是在无需用户输入、强场景先验或标注数据的情况下，学习特定场景的“正常行为”范围，从而对未见 footage 中的新颖性发出警报。首要贡献是基于我们称为 tracklet 基元的低级运动模型，这些基元是特定于场景的基本运动。我们提出了一种基于聚类的算法，用于从外观特征轨迹的局部近似中估计 tracklet。随后提出了两种从 tracklet 基元推断运动新颖性的方法：(a) 描述了一种基于非分层 Markov 链集成的方法，作为捕捉不同尺度行为特征的手段；(b) 一种更灵活的替代方案，通过考虑特定场景中人类运动的意图性和目标导向规划所引入的约束，展现出更高的泛化能力。在长达 2 小时的繁忙城市集市视频上进行评估，两种算法均被证明能成功推断异常行为，其中后者模型在较大空间尺度的新颖性检测上表现更佳。
引用
@article{arxiv.1309.6390,
title = {Contextually learnt detection of unusual motion-based behaviour in crowded public spaces},
author = {Ognjen Arandjelović},
journal= {arXiv preprint arXiv:1309.6390},
year = {2013}
}